基于空管历史数据挖掘的短时航迹预测方法
【技术领域】
[0001] 本发明属于航迹预测技术领域，特别是设及一种基于空管历史数据挖掘的短时航 迹预测方法。
【背景技术】
[0002] 随着航空运输业的发展，空域限制成为制约民航空管发展的主要因素之一，因此 采用飞行计划结合空管动态调配的管理方式已逐渐难W满足要求。为应对运一问题，美国 和欧洲的研究人员已开展基于4D航迹运行模式的下一代空中交通管理系统的研究，即美 国下一代空中运输系统（NextGenerationAirTransportationSystem,化xtGen)和单一 欧洲空管系统（SingleEluropeanSkyATMResearch,沈SAR)。
[0003] 基于航空器运行的航迹预测在新一代空管自动化系统中具有重要地位，已经成为 研究重点，国内外学者在运一领域取得了许多成果。Prevost使用基于扩展Kalman滤波的 航空器状态估计方法，通过当前状态和飞行模型进行航迹预测。化ester等人采用飞行性 能手册中的爬升时间表，通过空气动力学模型和运动学方程实现航空器航迹推测。朱成镇 等结合空管体系与飞行操作特性，采用过程综合法实现四维航迹推测。在短期航迹预测方 面，彭琪等提出了动态航迹推测方法，基于等角航线动态推测，融合雷达、电报等动态数据， 可W推测出航空器飞行轨迹和时间节点信息。W上方法可W概括为S类：（1)基于Kalman 滤波和神经网络等的无参数估计算法；（2)基于航空器模型和飞行模拟的预测方法；(3)基 于飞行意图的航迹预测方法。基于Kalman和神经网络的方法由于信息有限而使预测准确 度难W提升；基于飞行模拟的预测方法需要大量飞行参数和数据库支持，不易获取；基于 飞行意图的预测方法不易结合影响飞行的其它因素。
[0004] 随着数据挖掘技术的兴起，历史数据挖掘为航迹预测提供了支持。GarielM等使 用聚类方法分炼航迹数据并排除偏离航迹后提取典型航迹，用于航空器监视与预测，但航 迹信息损失较多，缺少高度和时间信息。SongY从历史航迹数据中提取典型航迹应用于航 迹预测模型，提高了航迹预测准确率，但其方法简单且仅作为预测模型参考。何姜等通过轨 迹时间聚类提取路径规律，排除干扰因素，但只考虑航迹的时间信息。TangXM等使用时 间弯曲编辑距离灯imeWa巧EditDistance,TWED)为相似性度量改进K-均值聚类算法， 从航迹剖面数据提取飞行剖面预测航迹，但只设及飞行剖面预测。LEEJG等提出了基于 航迹段的聚类方法挖掘航迹信息，获取公共子航迹用于预测，但运算较为复杂。上述文献 中的聚类方法均采用基于全局的相似性度量，实际应用中参数不易确定。DuanL提出基于 局部密度的空间聚类算法（XocalDensityBasedSpatialClusteringAlgorithmwith Noise,LDBSCAN)并应用于离群对象检测，解决参数难W确定的问题。 阳0化]基于历史航迹数据挖掘的航迹预测主要面临W下几个问题：（1)影响飞行的其它 因素，如飞行员习惯、天气等，不易融合到预测航迹中；（2)历史航迹数据间缺少对应关系； (3)基于历史数据的航迹预测，离群航迹会对预测结果产生干扰；(4)如何从航迹数据中提 取代表航迹运行模式和规律的数据，并用于航迹预测；（5)在减少信息损失的前提下简化 历史航迹数据，降低处理难度。
【发明内容】
[0006] 为了解决上述问题，本发明的目的在于提供一种基于历史数据、融合飞行影响因 素（飞行习惯、机型等）、预测准确且参数要求简单的基于空管历史数据挖掘的短时航迹预 测方法。
[0007] 为了达到上述目的，本发明提供的基于空管历史数据挖掘的短时航迹预测方法包 括按顺序进行的下列步骤：
[0008] (1)对空管系统记录的航空器航迹数据进行提取及归类处理，并将同类航迹构成 航迹群的S1阶段；
[0009] (2)消除步骤（1)所得航迹群中各航迹的冗余信息，并提取出可W表征各航迹特 征的关键航迹点航迹群的S2阶段；
[0010] (3)利用时空配准技术对步骤（2)所得的关键航迹点航迹群进行处理，得到时空 配准后的关键航迹点航迹群的S3阶段；
[0011] (4)对步骤（3)得到的时空配准后的关键航迹点航迹群进行聚类分析，形成经验 关键航迹点，并由经验关键航迹点有序形成经验航迹的S4阶段；
[0012] (5)根据实时航迹信息，从步骤（4)所得结果中选择最相似的经验航迹作为预测 参考，对实时运行的航空器进行短时航迹预测，并利用实际航迹更新相应经验航迹的S5阶 段。
[0013] 在步骤（1)中，所述的对空管系统记录的航空器航迹数据进行提取及归类处理， 并将同类航迹构成航迹群的方法是：利用空管系统记录的航空器航迹数据中包括航空器代 码、时间W及航空器运行间隔在内的信息，对航空器航迹进行相似度检测，将高度相关的航 迹归为同类，构成相应航迹群。
[0014] 在步骤（2)中，所述的消除步骤（1)所得航迹群中各航迹的冗余信息，并提取出可 W表征各航迹特征的关键航迹点航迹群的方法是：适当忽略直行部分中的航迹点，只考虑 发生转弯的关键航迹点。
[0015] 在步骤（3)中，所述的利用时空配准技术对步骤（2)所得的关键航迹点航迹群进 行处理，得到时空配准后的关键航迹点航迹群的方法是：通过评价空间相关度、统一采样时 刻方法对同类关键航迹点航迹群在时空上进行配准。
[0016] 在步骤（4)中，所述的对步骤（3)得到的时空配准后的关键航迹点航迹群进行聚 类分析，形成经验关键航迹点，并由经验关键航迹点有序形成经验航迹的方法是：根据航空 器航迹的聚类特点，利用LDBSCAN算法对步骤（3)所得关键航迹点航迹群进行聚类分析，形 成经验关键航迹点，并由经验关键航迹点有序地形成经验航迹。
[0017] 在步骤（5)中，所述的根据实时航迹信息，从步骤（4)所得结果中选择最相似的经 验航迹作为预测参考，对实时运行的航空器进行短时航迹预测，并利用实际航迹更新相应 经验航迹的方法是根据实时的航迹信息，从步骤（4)所得结果中选择最相似的经验航迹作 为预测参考，根据获得的经验关键航迹点的标准差作为加权标准，W实时航迹与经验航迹 间的误差为基础进行加权处理，形成沿经验航迹变化的短时航迹预测，并利用实际航迹与 经验航迹间的偏差大小来设定经验航迹更新方案。
[0018] 本发明提供的基于空管历史数据挖掘的短时航迹预测方法能够排除离群航迹影 响，提高航迹预测精度；预测航迹与历史航迹时空相似度高，且参数容易确定。同时具有W 下优点：（1)航迹简化，减小数据处理负担；(2)W历史航迹数据为依据，包含影响飞行的各 种因素，如天气、飞行习惯等；(3)排除离群信息影响，提高预测航迹可信度；(4)参数容易 确定；（5)航迹预测效果好。本方法可W为空管系统、航空器监视提供参考。
【附图说明】
[0019] 图1是本发明提供的基于空管历史数据挖掘的短时航迹预测方法流程图；
[0020] 图2是一个航迹群采样点组（矩形框内）曲线图；
[0021] 图3是对象的离群程度与其L0F的关系示意图；
[0022] 图4是航迹预测示意图；
[0023] 图5是航班UPS9在滨海国际机场附近的经验航迹曲线图；
[0024] 图6是航班UPS9经验航迹的距离标准差曲线图；
[0025] 图7是航迹群1的一条真实航迹和对应的预测航迹曲线图；
[0026] 图8是航迹群2的一条真实航迹和对应的预测航迹曲线图。
【具体实施方式】
[0027] 下面结合附图和具体实例对本发